Fachwissenschaftliche Projektarbeit aus dem Gebiet IT in Produktion und Logistik Prof. Dr. Ing. Markus Rabe Fakultät Maschinenbau TU Dortmund

Transkript

1 Fachwissenschaftliche Projektarbeit aus dem Gebiet IT in Produktion und Logistik Prof. Dr. Ing. Markus Rabe Fakultät Maschinenbau TU Dortmund Systematische Untersuchung des Datenqualitätsbegriffs in Supply Chains Ausgegeben am: Eingereicht am: Kandidat: Daniel Piep Matrikelnummer: Studienrichtung: Wirtschaftsingenieurwesen B.Sc. 1. Prüfer: Prof. Dr. Ing. Markus Rabe 2. Prüfer: Dipl. Inf. Anne Antonia Scheidler

2 Inhaltsverzeichnis 1 Einleitung Datenqualität Grundlage: Daten und Informationen Zweckeignung vs. statistisch belegte Quantifizierung Ansatz der DGIQ Datenqualitätsradar nach Würthele Zwischenfazit Datenqualitätsmanagement Grundlage: DQM Methoden Lean Six Sigma Risiko Assessment A3 Thinking Zwischenfazit Datenqualität im Kontext der Supply Chain Grundlage: Supply Chain Diskussion der Datenqualitätsthematik in Supply Chains Zusammenfassung Ausblick Abbildungsverzeichnis Literaturverzeichnis

3 1 Einleitung Motivation Zu Beginn des 21. Jahrhunderts sieht sich die weltweite Unternehmenslandschaft mit einer Vielzahl neuartiger Herausforderungen konfrontiert. So hat nicht nur die Digitale Revolution Einzug in sämtliche Wirtschaftssektoren gehalten, sondern ebenfalls die fortschreitende Globalisierung für einen starken Kostendruck durch erhöhte Marktkomplexität und dynamik gesorgt. Um dieser Problematik entgegenzutreten, wurden Projekte wie bspw. Industrie 4.0 ins Leben gerufen, die auf eine Integration von modernen Informationstechnologien in den Produktionsalltag abzielen. Obwohl diese Technologien zum jetzigen Zeitpunkt vielversprechend erscheinen, bergen sie doch ein großes Risiko: durch den rasanten Anstieg benötigter und verarbeiteter Datenmengen tragen sie wesentlich zu einer Erhöhung der Komplexität der Unternehmensprozesse bei. Verstärkt wird diese Problematik durch die Interdependenzen verschiedener Marktakteure, wie sie speziell in sogenannten Supply Chains, einer Art Verknüpfung oder Netzwerk verschiedener Unternehmen, auftreten. Besagte Unternehmen sind auf eine hohe Qualität ihrer Informationen und Daten als Basis für wichtige Entscheidungen angewiesen, um unternehmensübergreifende wie auch interne Prozesse effizient zu gestalten. Doch stellen sich an diesem Punkt die Fragen: was macht eine hohe Datenqualität überhaupt aus? Welche Voraussetzungen werden ihr zugrunde gelegt und wie kann man sie erreichen bzw. beibehalten? Ziele dieser Arbeit und Vorgehensweise Diese Arbeit verfolgt das Ziel, eine erste Definition des Datenqualitätsbegriffs im Kontext der Supply Chain aufzustellen. Weiterhin sollen verschiedene Methoden für Datenqualitätsmanagement (DQM) erfasst und gegenübergestellt werden. Zu diesem Zweck werden anhand von Fachliteratur zunächst unterschiedliche Datenqualitätsauslegungen gesammelt und verglichen, so dass eine angemessene Definition für die weitere Arbeit zur Verfügung steht. Weiterhin werden auf Basis dieser Definition verschiedene DQM Methoden erfasst, gegenübergestellt und bewertet. Hierbei stellt nicht die Entwicklung neuartiger Lösungsansätze zum Thema DQM das Ziel dar, sondern vielmehr der Vergleich und die Charakterisierung bereits etablierter Methoden. Es wird somit angestrebt, einen Überblick über bisherige wissenschaftliche Arbeit zu verschaffen und eine kurze Einschätzung derselben zu geben. Im Anschluss daran wird eine gebündelte Definition von Supply Chains erarbeitet, da sich eine Vielzahl von Werken zwar ausführlich mit aktuellen Themen wie Supply Chain Management und Supply Chain Controlling befasst, allerdings keine grundlegende Präzisierung des Begriffs Supply Chain voraussetzt. Letztendlich werden die gewonnenen Erkenntnisse hinsichtlich der Datenqualitätsthematik im Kontext der Supply Chain diskutiert. 3

4 2 Datenqualität 2.1 Grundlage: Daten und Informationen Bevor der Begriff der Datenqualität als Ganzes verstanden und untersucht werden kann, muss zunächst eine Betrachtung der Bestandteile des Wortes, nämlich Daten und Qualität, erfolgen. Betrachtet man in der Informatik gängige Definitionen, so bilden nach [Eng11, S.5] und [Tre06, S.26f.] einzelne Zeichen die Grundlage für Wissensbildung. Fügt man diese in einer bestimmten Syntax zusammen, so erhält man Daten. Diese wiederum werden zu Informationen, sobald man ihnen eine Bedeutung entnehmen kann. Erst wenn man Informationen vernetzt, in einen Kontext setzt und Erfahrungen ergänzt, dann werden diese Informationen zu Wissen. Es fällt also auf, dass die Begriffe Daten und Informationen nah beieinander liegen und nicht losgelöst voneinander betrachtet werden können [Eng11, S.11]. Tatsächlich werden beide in der Literatur oftmals synonym benutzt, ebenso Daten und Informationsqualität. Trotz des aufgezeigten Unterschiedes zwischen Daten und Informationen ist in der Regel ein und derselbe Sachverhalt gemeint, wenn von Daten respektive Informationsqualität die Rede ist [Lee01, S.2] [Geb11, S88]. Dies liegt darin begründet, dass die beiden Begriffe eng beieinander liegen und viele Autoren auf eine strikte Unterscheidung verzichten [Tre06, S.34f.]. In der Konsequenz wird festgelegt, dass auch in dieser Arbeit die Begriffe Datenund Informationsqualität synonym verwendet werden. Andernfalls könnten viele Werke zu diesem Thema strenggenommen nicht beachtet werden, da ihren Ausführungen zur Daten und Informationsqualität oftmals keine exakte Definition der Begriffe zugrunde liegt. Was den Qualitätsbegriff angeht, so ist dieser vergleichsweise schnell und allgemeingültig zu erfassen, bspw. durch die vielzitierte Normenreihe ISO 9000 [Koc10, S.104ff]. Nach DIN EN ISO 9005:2005 beschreibt Qualität den Grad, in dem ein Satz inhärenter Merkmale Anforderungen erfüllt [Har10, S.14f.] [Brü12, S.3]. Verknüpft man nun die Begriffe Daten und Qualität, so lässt sich nach [Wür03, S.21] folgende Definition für den Ausdruck Datenqualität aufstellen: Mehrdimensionales Maß für die Eignung von Daten, den an ihre Erfassung/Generierung gebundenen Zweck zu erfüllen. Diese Eignung kann sich über die Zeit ändern, wenn sich die Bedürfnisse ändern.. Unklar ist dabei jedoch, nach welchen Dimensionen Datenqualität bemessen wird bzw. welche Anforderungen ihr zugrunde liegen. Die eigentliche Schwierigkeit besteht also nicht im grundsätzlichen Erfassen des Begriffs Datenqualität, sondern vielmehr im Finden und Aufstellen geeigneter Ausprägungen. Die Herausarbeitung besagter Ausprägungen soll nun in diesem Kapitel erfolgen. Festzuhalten ist dabei, dass der Datenqualitätsbegriff nach [Ape09, S.18] stark subjektiv geprägt ist, also unterschiedliche Ausprägungen in der gängigen Literatur ausfindig gemacht werden können. 2.2 Zweckeignung vs. statistisch belegte Quantifizierung Obwohl in der gängigen Literatur selten eine fundierte Definition für Datenqualität zugrunde gelegt wird, so sind doch im Allgemeinen ähnliche Vorstellungen von ihr vorhanden. So wird häufig von einer Zweckeignung [Mor11, S.16] oder fitness for use gesprochen [Har10, S.18] [Tre06, S.33], korrelierend mit der im vorangegangenen Abschnitt aufgezeigten Definition von Würthele. Solch eine Kurzdefinition lässt sich bspw. in [Cho13, S.501] finden. Hier werden Informationen man beachte die Analogie zu Daten als qualitativ hochwertig angesehen, wenn es die richtigen und korrekten Informationen sind, die in angemessener Zeitspanne zugänglich sind und ferner geteilt 4

5 werden können. Diese Definition oder vielmehr Beschreibung gibt bereits einen kurzen Einblick in den Datenqualitätsbegriff, allerdings lässt sie einen großen Interpretationsspielraum bzgl. der Auslegung einzelner Qualitätskriterien zu. Das Spektrum des Datenqualitätsbegriffs wird also nicht umfassend und gleichzeitig detailliert genug erfasst und dargestellt. Einen wichtigen, weil innovativen und grundlegenden Schritt zur Erfassung des Datenqualitätsbegriffs lieferte Richard Y. Wang in den 1980er Jahren. Er gilt als der Begründer des Total Data Quality Management (TDQM) am renommierten Massachusetts Institute of Technology (MIT) [Har10, S.18], womit er eine der ersten Personen war, die sich mit dem Datenqualitätsbegriff im Digitalzeitalter befassten und somit die Bedeutung von Daten und Informationen in der Neuzeit erkannten. Ferner begann er, Daten und Informationen als Produkt anzusehen, was ihnen ebenfalls einen hohen Stellenwert einräumte [Wei11, S.69] [Lee06, S.125f., S.201]. Der Vollständigkeit halber dürfen auch die Namen Tom Redman und Larry English an dieser Stelle nicht unerwähnt bleiben, welche in den 1990er Jahren ebenfalls wichtige Arbeiten zur Thematik veröffentlichten. Allerdings reichen ihre Definitionen der Datenqualität nach Meinung des Autors in Sachen Umfang und Detaillierung nicht an das Werk Wangs heran, weswegen sie im Rahmen dieser Projektarbeit zwar erwähnt, jedoch nicht näher behandelt werden. Wangs Arbeit hingegen beruht auf statistischen Methoden und ist insofern sehr interessant für das Thema. Er führte 1996 eine Umfrage unter 137 IT Nutzern durch, um herauszufinden, was ihrer Meinung nach Datenqualität auszeichnet [Kas11, S.25] [Tre06, S.19]. Herausgekommen sind 16 Dimensionen in 4 Kategorien, welche bspw. in [Lee01, S.5] und [Tre06, S.35f.] nachzulesen sind. Sie bilden die Grundlage für eine Vielzahl weiterer Arbeiten zum Thema, so auch für die beiden folgenden Werke der DGIQ (siehe Abschnitt 2.3) und von Würthele (Abschnitt 2.4). Allerdings werden sie nicht als Originalquelle in dieser Arbeit untersucht, sondern nur innerhalb der beiden aufbauenden Werke. Dies geschieht einerseits, um eine möglichst aktuelle Definition der Datenqualität zu erhalten, da annähernd 20 Jahre eine große Zeitspanne in der IT Branche ausmacht. Weiterhin soll untersucht werden, inwiefern sich die originalen Dimensionen von Wang im Laufe der Zeit evtl. geändert haben. 2.3 Ansatz der DGIQ Einen wichtigen, weil vergleichsweise weit verbreiteten Ansatz zur Erfassung und Quantifizierung des Datenqualitätsbegriffs liefert die Deutsche Gesellschaft für Informations und Datenqualität e.v. (DGIQ). Die DGIQ hat es sich nach eigenen Angaben zum Ziel gesetzt, alle Aktivitäten zur Verbesserung der Informationsqualität in Gesellschaft, Wirtschaft, Wissenschaft und Verwaltung zu fördern. Essentiell ist dabei der gegenseitige Austausch; so fand im November 2013 bspw. die 11. von der DGIQ organisierte German Information Quality Management Conference (GIQMC) statt. Im 2007 abgeschlossenen Projekt IQ Dimensionen definieren (IQ für Informationsqualität, Anmerkung des Autors) hat eine Projektgruppe der DGIQ weiterhin 15 Dimensionen der Informations bzw. Datenqualität definiert. Diese basieren auf der 1996 von Wang durchgeführten Umfrage und werden folgend vorgestellt. 5

6 Abb. 1 Dimensionen der Informationsqualität nach der DGIQ [Kas11, S.29] Die Gruppierung der Dimensionen in Kategorien (systemunterstützt, inhärent, darstellungsbezogen und zweckabhängig) und Untersuchungsgegenstände (System, Inhalt, Darstellung und Nutzung), wie sie in Abbildung 1 dargestellt ist, basiert auf einer Umfrage unter IT Anwendern, die zu 80% dieselben Dimensionen in Gruppen zusammengefasst haben [Kas11, S.30]. Zu beachten ist weiterhin, dass einige der Begriffe umgangssprachlich einander sehr ähnlich sind und sich somit auf den ersten Blick überschneiden [Kas11, S.27]. Aus diesem Grund ist eine präzise Beschreibung der einzelnen Dimensionen nötig, wie sie in Abbildung 2 dargestellt ist. Außerdem ist anzumerken, dass die für den Anwender wichtigen Aspekte Dubletten und Redundanzen scheinbar nicht in den Dimensionen enthalten sind, nach [Kas11, S.43] jedoch durch die Dimension Wertschöpfung abgedeckt werden. Ebenfalls ist festzustellen, dass die Punkte Sicherheit und Datenschutz nicht enthalten sind. Während Sicherheit als technisches Hilfsmittel angesehen wird, dass zu den Dimensionen führt, wird Datenschutz ausdrücklich nicht als eigene Dimension betrachtet und spielt somit keine Rolle in dieser Darstellung [Kas11, S.43]. Dem Grundgedanken nach sind Informationen brauchbar bzw. qualitativ hochwertig, wenn sie den vom Nutzer beabsichtigten Zweck erfüllen. Auch hier gilt also das angesprochene fitness for use Konzept. Dies ist allerdings erst erfüllt, wenn alle Dimensionen eine hohe oder wenigstens ausreichende Qualität aufweisen. Dabei nimmt keine Dimension einen höheren Stellenwert ein als eine andere. Allerdings steht es dem Nutzer von Informationen frei, die Qualitätsaspekte aus seiner Sicht zu priorisieren wenn auch ausdrücklich erst, nachdem alle 15 Dimensionen bedacht und gegeneinander abgewogen wurden [Kas11, S29f.]. Dieser Aspekt wurde bereits in der ursprünglichen Arbeit Wangs herausgestellt [Lee06, S.55]. 6

7 Abb. 2 Die 15 IQ Dimensionen der DGIQ im Detail [Kas11, S.28] Abschließend ist festzuhalten, dass die von der DGIQ erarbeitete Version der Datenqualitätsausprägungen in großem Ausmaß auf den originalen Dimensionen von Richard Wang basiert, nachzulesen bspw. in [Lee01, S.5]. Es wurden im Wesentlichen einige Formulierungen und Anordnungen der Begriffe auf Grundlage aktueller Untersuchungen angepasst. Auffällige Unterschiede bestehen darin, dass der besprochene Aspekt der Sicherheit (access security im Original) nach Ansicht der DGIQ kein Bestandteil der Dimensionen ist (siehe oben). Ebenfalls wurde der Aspekt der Bearbeitbarkeit ( ease of operation, später ease of manipulation ) in die Übersicht 7

8 aufgenommen. Er wurde zwischenzeitlich von Wang als überflüssig erachtet, mittlerweile aber wieder von ihm aufgenommen, weswegen er auch von der DGIQ berücksichtigt wurde [Kas11, S.27]. Das Ausmaß, zu welchem die Arbeit Wangs von der DGIQ berücksichtigt wurde, zeigt dabei die Bedeutung des in Abschnitt 2.2 beschriebenen statistischen Ansatzes, welchen Wang mit seiner Umfrage 1986 verfolgte. 2.4 Datenqualitätsradar nach Würthele Eine weitere bemerkenswerte Arbeit zur Aufstellung von Datenqualitätsausprägungen liefert Volker Würthele, von dem bereits eine allgemeine Definition des Datenqualitätsbegriffs in den vorangegangenen Abschnitten aufgezeigt wurde, mit seiner Abhandlung zur Erlangung eines Doktortitels an der ETH Zürich. Würthele fußt seine Arbeit dabei nicht einzig auf Umfragen, sondern auf grundsätzlichen Überlegungen. So unterscheidet er bspw. mehrere Datenarten, wobei dies nicht Bestandteil dieser Projektarbeit sein soll. Es sei jedoch vermerkt, dass sich Würthele in seinem Werk auf nichtflüchtige und gespeicherte Daten bezieht [Wür03, S.19]. Ebenfalls unterscheidet er zwischen Daten und Informationsqualität, wobei er sich hier ausdrücklich mit Datenqualität beschäftigt und damit relevant für diese Projektarbeit ist. Bevor nun aber die gewählten Datenqualitätsausprägungen von Würthele präsentiert werden können, müssen zwei seiner grundlegenden Vorüberlegungen behandelt werden: die Aspekte der Modell und der Zeitabhängigkeit [Wür03, S.26ff]. Er geht davon aus, dass jede Person, also auch jeder Datennutzer ein eigenes Modell wählt, also einen eigenen Blick auf die Realität hat. Konkret bedeutet dies, wie er selbst im Wortlaut sagt: Bezüglich Datenqualität ist festzuhalten, dass unterschiedliche Sichten auf die Realität auch zu unterschiedlichen Interpretationen von aus der Realität stammenden Daten führen. [Wür03, S.27]. Folgerichtig kann Datenqualität also in ihren Ausprägungen nicht ausschließlich auf die ihr zugrunde liegenden Daten reduziert werden, sondern bedarf umfassenderer Betrachtung. Gleiches gilt für den Punkt der Zeitabhängigkeit, da die angesprochene Realität ständigen Änderungen unterliegt. An dieser Stelle sei an den zweiten Teil Würtheles allgemeiner Definition des Datenqualitätsbegriffs erinnert: Mehrdimensionales Maß für die Eignung von Daten, den an ihre Erfassung/Generierung gebundenen Zweck zu erfüllen. Diese Eignung kann sich über die Zeit ändern, wenn sich die Bedürfnisse ändern. [Wür03, S.21]. Des Weiteren versteht Würthele Datenqualität im Rahmen seiner Arbeit immer im Zusammenhang mit Informationsprozessen. Die Prozesssicht hat er gewählt, da die Qualität eines Endproduktes nur dann gewährleistet ist, wenn sie immer alle Teilprozesse hinweg sichergestellt wird. Er verweist hier, ähnlich wie Wang, auf die Analogie zu Produktionsprozessen [Wür03, S.23]. In einem weiteren Schritt hat Würthele die Ergebnisse einer umfassenden Literaturrecherche zusammengefasst, wobei er auch die Arbeit Wangs berücksichtigt. Daraus entstanden ist der Qualitätsbaum für Datenelemente, welcher bei [Wür03, S.24] nachgeschlagen werden kann. Er wird aber nicht eigens in dieser Arbeit präsentiert, da er nur einen Zwischenschritt zum Datenqualitätsradar und nicht die eigentliche Arbeit Würtheles darstellt. Der Qualitätsbaum besteht aus 18 Dimensionen, welche in fünf Kategorien eingeordnet werden. Er ähnelt damit dem Werk Wangs respektive der DGIQ. Allerdings stellt er die Zeitabhängigkeit der einzelnen Kriterien nicht dar und zeigt auch nicht auf, wie sie untereinander korrelieren und insgesamt zur Datenqualität beitragen. 8

9 Aus diesem Grund wurde das Datenqualitätsradar entwickelt [Wür03, S.25], welches nachfolgend in Abbildung 3, zusammen mit einer Erklärung der einzelnen Bestandteile in Abbildung 4 (analog zu 2.3), präsentiert wird. Abb. 3 Datenqualitätsradar nach Würthele [Wür03, S.31] 9

10 Abb. 4 Die Dimensionen des Datenqualitätsradars nach Würthele [Wür03, S.32] Offensichtlich ist das Datenqualitätsradar nicht auf den ersten Blick so leicht zu lesen wie die Grafik der DGIQ. Folgende Erklärungen sind im Wortlaut [Wür03, S.30] zu entnehmen: jede weiße Fläche entspricht einem Qualitätsmerkmal die direkte Nachbarschaft zweier Flächen bedeutet einen engen Zusammenhang der entsprechenden Merkmale im Zentrum des Radars steht die Datenqualität als Ganzes (DQ), die nach außen hin immer stärker aufgefächert wird außen steht die Technikqualität, welche zwei Drittel der Ringsektoren umfasst und deren Spitze bis zum Zentrum der Datenqualität reicht die Technikqualität berührt ausdrücklich nicht alle Qualitätsmerkmale einige Nachbarschaften sind bewusst durch ein Loch ausgeschlossen das Radar liefert eine momentane Bewertung der Datenqualität zu einem bestimmten Zeitpunkt tx 10

11 Zu beachten ist hier die Unterteilung der Datenqualität in verschiedene Faktoren. Die Anforderungen an Daten selbst sind nicht so detailliert aufgeschlüsselt wie bei Wang bzw. der DGIQ, dennoch sind durch die harten Faktoren die wichtigsten Dimensionen abgedeckt, welche andere, in Kapitel 2.3 aufgezeigte teilweise einschließen können. Auch [Hei11, S.49], eine DGIQ Quelle, benennt diese Kriterien als die wichtigsten Faktoren. Zusätzlich sind durch die weichen Faktoren und die Punkte Organisation und Technikqualität viele wichtige Aspekte bedacht worden, die das Datenqualitätsradar zu einem ganzheitlichen Instrument machen. Besonders hervorzuheben ist die Technikqualität. So wird in [Wür03, S35] explizit auf ihre Bedeutung hingewiesen, indem der Vergleich zum Eisbergmodell gezogen wird. Weist ein Informatiksystem keinerlei Schutzmechanismen oder dergleichen auf, wird aber gut gepflegt, so ist dieser Pflegezustand in Form einer guten Datenqualität als Spitze des Eisbergs sichtbar. Unter der bildlich gesprochenen Wasseroberfläche liegt aber nicht sichtbar die Basis, nämlich die in diesem Fall schlechte Technikqualität. Sie birgt ein großes Risiko für den Fall, dass eine entsprechende Pflege des Systems nicht mehr erfolgen kann. Würthele zeigt an dieser Stelle also deutlich auf, dass Datenqualität nicht nur in Hinblick auf die ihr zugrunde liegenden Daten betrachtet und beurteilt werden darf, sondern weitergehender Überlegungen bedarf. 2.5 Zwischenfazit Im Laufe dieses Kapitel wurde zunächst auf Daten und Informationen eingegangen und festgelegt, dass aufgrund von Überschneidungen in der Fachliteratur die Begriff Datenund Informationsqualität zur Erfassung des Qualitätsbegriffs synonym verwendet werden können. Weiterhin wurde eine allgemeine Definition für Datenqualität nach Würthele präsentiert, aus der ersichtlich wurde, dass die Schwierigkeit bei einer angemessenen Definition des Datenqualitätsbegriffs im Wesentlichen die Bestimmung seiner Ausprägungen ist. Zu diesem Zweck wurden einige grobe Definitionsmöglichkeiten aufgezeigt und anschließend die beiden umfassenden Werke der DGIQ und von Volker Würthele zu dieser Thematik vorgestellt, welche beide zu einem, wenn auch unterschiedlich großem, Teil auf der Arbeit von Richard Wang basieren. Nun gilt es, sich auf eine der beiden Definitionen von Datenqualitätsausprägungen festzulegen, die als Grundlage für den weiteren Verlauf dieser Projektarbeit dienen soll. Betrachtet man die Version der DGIQ, welche quasi das Werk Wangs präsentiert, so fällt sofort die starke Auffächerung des Datenqualitätsbegriffs auf. Es werden unterschiedliche Kategorien betrachtet, zu denen auch das System im weiteren Sinne zählt. Allerdings beziehen sich sämtliche Aspekte auf die Eigenschaften von Daten bzw. Informationen. Wie am Ende des Abschnitts 2.4 erklärt wird, zeigt Volker Würthele jedoch deutlich auf, dass der Begriff Datenqualität wesentlich komplexer ist, als dass er nur auf die Eigenschaften von Daten reduziert werden dürfe. Das Datenqualitätsradar von Würthele berücksichtigt diese Komplexität, indem es eine Vielzahl unterschiedlicher Einflussfaktoren auf Datenqualität darstellt und somit die Ganzheitlichkeit des Datenqualitätsbegriffs aufzeigt. Aus diesem Grund soll die Arbeit Würtheles als Basis für die weiteren Abschnitte dieser Abhandlung dienen. Bevor nun dieses Kapitel abgeschlossen werden kann, muss explizit darauf hingewiesen werden, dass die Thematik der Datenqualität hier nicht ganzheitlich betrachtet wurde und wird. Ein elementarer Baustein zur kompletten Betrachtung sind 11

12 Datenqualitätsmetriken, welche eine Messung und damit Quantifizierung der Datenqualität erlauben [Hei11, S.49]. Ohne entsprechende Messungen lässt sich nach [Mor11, S.22] und [Tre11, S.52] keine adäquate Aussage über Datenqualität und ihre entsprechenden Auswirkungen treffen. Nach [Wür03, S.13] sollte es sich dabei genauer gesagt um ein Metriksystem handeln, welches einerseits harte und messbare, andererseits aber auch bloß schätzbare Kriterien berücksichtigt. In [Wür03] und [Hil11] sind solche Ansätze zur Erstellung entsprechender Metriken beschrieben. Auch die DGIQ arbeitet zum Zeitpunkt der Erstellung dieser Arbeit an ihrem Projekt IQ Dimensionen bewerten, welches sich ebenfalls mit einer Messbarkeit der Datenqualitätsdimensionen beschäftigt. Hierdurch wird abermals aufgezeigt, dass Datenqualität eine komplexe Thematik darstellt, für die weiterhin umfassender Forschungsbedarf besteht. 3 Datenqualitätsmanagement 3.1 Grundlage: DQM Methoden Nachdem auf den vergangenen Seiten eine angemessene Definition des Datenqualitätsbegriffs gefunden wurde, soll es in diesem Kapitel nun darum gehen, geeignete Methoden für das Datenqualitätsmanagement zu betrachten. Dabei soll der aufgezeigte Datenqualitätsbegriff nach Würthele nicht als Basis für die beschriebenen Methoden dienen, sondern vom Leser lediglich im Hinterkopf behalten werden, um sich der Komplexität der Thematik bewusst zu sein. Bevor nun aber entsprechende Methoden für das Datenqualitätsmanagement untersucht werden, muss zunächst einmal verdeutlicht werden, was darunter zu verstehen ist, angefangen mit Datenqualitätsmanagement. Anders als beim Begriff der Datenqualität soll hier keine exakte und aufgeschlüsselte Definition erfolgen, sondern der Ausdruck lediglich grob umrissen werden. Dies ist darin begründet, dass das Verständnis von Datenqualitätsmanagment in der Literatur nach Meinung des Autors starken Abweichungen unterliegt. Es mangelt hier also nicht an einheitlicher Definition, sondern vielmehr am allgemeinen Verständnis des Begriffs. So wird mitunter bereits die manuelle Bereinigung von Daten (Löschen von Dubletten etc.) als Datenqualitätsmanagement verstanden, wobei derartige Maßnahmen reaktiv, also nachträglich sind [Zwi11, S.102f.]. Hier soll es jedoch um ein ganzheitliches, proaktives Datenqualitätsmanagement gehen, welches nach [Zwi11, S.109] einzig als echtes Datenqualitätsmanagement bezeichnet werden kann und durch folgende Merkmale gekennzeichnet wird: Beseitigung der Fehlerquellen Fortlaufende Überwachung der Datenqualität Präventive Verhinderung neuer Datenfehler im laufenden Betrieb Regelmäßige Bereinigung neu entstandener Datenfehler Auszeichnend für ein Datenqualitätsmanagement sind also steuernde und damit proaktive Aufgaben [Lüs11, S232] [Koc11, S.24] [Brü12, S.122]. Offensichtlich stellt ein ganzheitliches Datenqualitätsmanagement also ein großes Unterfangen für ein Unternehmen dar, da durch präventive Maßnahmen im laufenden Betrieb auch Geschäftsprozesse tangiert werden. Für umfangreiche Veränderungen im Unternehmen empfiehlt sich nach [Wol11, S.257] die Initiierung durch Projekte. Ein solcher Projektablauf könnte nach [Wei11, S.71 85] folgendermaßen aussehen: 12

13 1) Initiierung des Datenqualitäts Projekts 2) Definition der Datenqualitäts Anforderungen 3) Messung der vorhandenen Datenqualität 4) Analyse der Fehlerursachen 5) Verbesserung der Datenqualität 6) Permanente Überwachung der Datenqualität Diese Projektarbeit setzt an den Punkten 4 6 an, wobei insbesondere Punkt 5 interessant ist, welcher ebenfalls die Geschäftsprozessoptimierung enthalten kann. Ferner zeigt er auf, was alle Definitionen respektive Ansichten von Datenqualitätsmanagement gemeinsam zu haben scheinen: eine Verbesserung der Datenqualität. Die in dieser Arbeit behandelten Methoden sind dabei nicht als eigenständiges und ganzheitliches Datenqualitätsmanagement zu verstehen, sondern unterstützen dieses wie bereits angedeutet. Ferner ist anzumerken, dass es sich um Methoden im weiteren Sinne handelt. Streng genommen werden Systeme wie das folgend behandelte Six Sigma gerne als eigenständige Methoden gesehen, wobei sie selbst eine Vielzahl verschiedener (bspw. Analyse ) Methoden enthalten und damit eigentlich eine Überordnung einnehmen. Für die folgenden Methoden wäre also eigentlich der Begriff Managementsystem oder teilweise auch philosophie treffender. Sie stellen keine gesonderten Lösungen für die Datenqualitätsproblematik dar, sondern sind in der Regel vielseitig anwendbar. Dies basiert auf der Aussage von [Wei11, S.68f.], nach welcher die Behandlung von Daten und Informationen analog zu Produkten vorzunehmen ist. Es sei hier an Richard Wang erinnert, nach welchem die Nutzung bereits etablierter Methoden des Qualitätsmanagements aus der Fertigungsindustrie zu bevorzugen ist. Es werden im Rahmen dieser Arbeit also keine neuen, aber ggf. für die Problematik des Datenqualitätsmanagements neue respektive selten betrachtete Methoden aufgezeigt. Dies geschieht u.a. aus dem Grund, abermals die Komplexität der Thematik und daher die Notwendigkeit kreativer Herangehensweisen darzustellen. 3.2 Lean Six Sigma Die erste der aufzuzeigenden Methoden stellt Lean Six Sigma dar. Dieses stellt eine Kombination der bekannten Konzepte Lean Management und Six Sigma dar, wobei letzteres explizit im Zusammenhang mit Datenqualitätsmanagement erwähnt wird [Wei11; S.69] und auch im Kontext des allgemeinen, unternehmensweiten Qualitätsmanagements häufig genannt wird [Koc11, S.183]. Außerdem fließen Elemente des Design for Six Sigma (DFSS) ein, wobei diese eher von geringerer Bedeutung für das Gesamtkonzept sind und daher nicht eigenständig behandelt werden. Das Ziel dieses Gesamtkonzepts ist nicht nur die Kombination der Vorteile besagter Konzepte [Gam13, S.273f.], sondern die Schaffung von Synergien [Töp09, S.8f.]. Im Kern handelt es sich dabei um eine Optimierung des betriebswirtschaftlichen Dreiecks Qualität Zeit Kosten [Töp09, S.3f.]. Es muss jedoch an dieser Stelle gesagt werden, dass Lean Management und Six Sigma jeweils umfassende und eigenständige Konzepte darstellen, die hier nicht in dem ihnen gebührenden Umfang behandelt werden können. Gleiches gilt für die folgenden Methoden, so dass dieses Kapitel als kurze Vorstellung inkl. Einschätzung besagter Konzepte zu verstehen ist. 13

14 Abb. 5 Gleiches Ziel, unterschiedlicher Ansatz von Lean Management und Six Sigma [Töp09, S.8] Abbildung 5 zeigt auf einen Blick, dass Lean Management und Six Sigma prinzipiell den gleichen Zielvorgaben folgen, dies jedoch auf unterschiedliche Art und Weise tun. Dadurch, dass beide die Prozesse nachhaltig verbessern, kann die Qualität, also auch Datenqualität, stark verbessert werden. Six Sigma ist direkt auf eine Qualitätssteigerung ausgerichtet, Lean Management bietet durch Verschlankung der Prozesse das Potential für eine geringere Fehleranfälligkeit und damit indirekte Qualitätssteigerung [Töp09, S.5]. Lean Management Das Lean Konzept wurde in den 1950er Jahren in Japan entwickelt, wo es seitdem bei Toyota starke Anwendung findet. Lean Management, auch als Lean Production bezeichnet, beschreibt nach [Hum13, S.40] ein Organisations und Produktionsmodell, das das Management im Hinblick auf Ziele wie Qualität, Produktivität, Flexibilität und Mitarbeitermotivation unterstützt. Es bildet nach Expertenmeinung die Grundlage für Toyotas Erfolg als Automobilhersteller. Kerngedanke des Konzepts ist die Schaffung schlanker Prozesse durch Vermeidung von Verschwendung, welche Toyota nach sieben Arten unterscheidet: Überproduktion, Wartezeit, Prozessübererfüllung, Transport, Nacharbeit, Bestand und Bewegung [Töp09, S.28] [Koc11, S.127ff]. Es wird also angestrebt, Verschwendungskosten respektive Blindleistungen zu vermeiden [Töp09, S.28f.]. Dies geschieht durch eine Fokussierung auf für den Kunden relevante, also wertschöpfende Prozesse und Beseitigung aller nicht essentiellen Prozessschritte [Gor13, S.153ff]. 14

15 Abb. 6 Grundprinzipien des Lean Thinking [Töp09, S.31] Lean Management ist, wie vorab bereits erwähnt, nicht als Maßnahme, sondern vielmehr als Konzept zu verstehen [Koc11, S.126]. Grafik 6 zeigt die fünf Prinzipien des Lean Thinking und verdeutlicht damit, dass Lean Management ganzheitlich ansetzt und sämtliche Unternehmensbereiche durchzieht [Töp09, S.42]. Ebenfalls wird ein elementarer Aspekt des Lean Managements beschrieben, nämlich die Betrachtung und Analyse des Wertstroms. Dieses Werkzeug trägt massiv zur Stärke von Lean Management bei: in jedem Prozess Verschwendung erkennen und beseitigen, das gesamte Unternehmen also schlanker und reaktionsschneller zu machen. Qualität wird folglich im Zuge der Prozessoptimierung erzeugt und gewährleistet. Treten allerdings schwerwiegende Abweichungen von im Rahmen des Lean Managements formulierten Standards auf, so ist das Konzept nicht in der Lage, diesen wirkungsvoll zu begegnen und Qualität weiterhin aufrecht zu erhalten. An dieser Stelle setzt Six Sigma an [Töp09, S.43]. Six Sigma Anders als Lean Management ist Six Sigma ein selektiv, also gezielt ansetzendes Konzept zur Qualitätsverbesserung von wertschöpfenden Prozessen [Koc11, S.117]. Es zeichnet sich durch die Durchführung in klar definierten Projekten von üblicherweise 90 bis 180 Tagen Dauer und eine Zielstruktur aus, bei der finanzielle Ergebnisse, also die Bemessung von Veränderungen in monetären Maßen im Vordergrund steht [Töp09, S.43]. Namensgebend ist dabei der Sigma Wert, welcher eine Messgröße für die tolerierte Abweichung auf Basis der Gauß schen Normalverteilung und ihrer Standardabweichung darstellt [Koc10, S.106f.]. 6σ entspricht dabei einem Qualitätsniveau von 99,99966% und einer praktikablen Null Fehler Qualität (100% und damit absolute Perfektion sind per se auszuschließen), dem angestrebten Qualitätsziel bei Six Sigma [Koc11, S.148ff]. Zum Vergleich: das durchschnittliche Qualitätsniveau in der deutschen Industrie wird mit 3,8σ angegeben, entsprechend 99% und einer Fehlerrate von parts per million (ppm) [Töp09, S.10f.]. Six Sigma findet starke Anwendung im amerikanischem Raum, speziell bei General Electrics. 15

16 Abb. 7 Der DMAIC Zyklus in Six Sigma [Töp09, S.45] Die Six Sigma Philosophie besteht nach [Töp09, S.45] darin, durch zielgerichtete Übersetzung der Stimme des Kunden in die Sprache der Prozesse Produkte und Dienstleistungen mit hoher Qualität zu erzeugen und so Wirtschaftlichkeit, also Effizienz, mit Kundenzufriedenheit, also Effektivität, zu verbinden.. Der Grundgedanke ist dabei, dass qualitativ hochwertige Prozesse qualitativ hochwertige Produkte erzeugen [Koc11, S.131] [Kos13, S.137] [Gam13, S.249]. Zu diesem Zweck bedient sich Six Sigma einem elementaren und weit verbreiteten Werkzeug: dem DMAIC Zyklus (siehe Abbildung 7). Analog zum PDCA Zyklus (plan do check act) steht der DMAIC Zyklus (define measure analyse improve control) für wissenschaftliche und analytische Herangehensweisen [Koc11, S.118f.]. Aus diesem Grund eignet sich Six Sigma für die gezielte Bewältigung komplexer Probleme. Damit sind im Wesentlichen die Unterschiede zu Lean Management genannt: Six Sigma greift punktuell und konzentriert unter Einbeziehung weniger Mitarbeiter des Unternehmens dort an, wo Lean Management als unternehmensweiter Standard nicht wirken kann [Töp09, S.54f.]. Zur Ergänzung von Lean Management scheint es also durchaus geeignet zu sein. Lean Six Sigma Nach [Töp09, S.57] gibt es nun drei Möglichkeiten, Lean Management und Six Sigma zu kombinieren. Im Wortlaut: 1. Die Strategie, den aufwändigen Six Sigma Projektmanagementprozess mit dem Gedankengut und den Methoden des Lean Managements schlanker zu machen 2. Lean Management gezielt durch Six Sigma Projekte zu ergänzen 3. Beide Konzepte ganzheitlich in zweckmäßiger Bearbeitungsfolge und in leistungsfähigem Ausmaß inhaltlich untereinander zu vernetzen. Hervorzuheben ist nach Meinung des Autors dabei die dritte Variante, da nur sie den Aussagen von [Töp09, S.58ff] folgend in der Lage ist, beide Konzepte sinnvoll und synergienschaffend zu verbinden. Abbildung 8 verdeutlicht dabei die Art und Weise der Verknüpfung. 16

17 Abb. 8 Kombination von Lean Management und Six Sigma [Töp09, S.60] Abschließend lässt sich also festhalten, dass Lean Six Sigma durch die sinnvolle Kombination von den sich ergänzenden Konzepten Lean Management und Six Sigma ein wirkungsvolles Gesamtkonzept zur Qualitätsverbesserung im Unternehmen darstellt. Da es nach [Töp09, S.5] auf alle Unternehmensprozesse anwenden lässt, ist die Aussage bzgl. des Verbesserungspotentials auch auf die Thematik der Datenqualität übertragbar. 3.3 Risiko Assessment Einen gänzlich anderen Ansatz als das besprochene Lean Six Sigma wählt Hakim Harrach in seiner Arbeit. Er sieht Datenqualitätsmanagement als ein Instrument der Unternehmensleitung, um den Kosten Nutzen Faktor der Produktion guter Datenqualität zu optimieren. [Har10, S.20]. Dementsprechend merkt er an, dass die Kosten, welche bei mangelhafter Datenqualität, aber auch bei der Verbesserung der Datenqualität entstehen, in einem angemessenen Verhältnis zum erreichten Nutzen stehen müssen [Har10, S.20f.]. In der Konsequenz spricht er sich für eine Priorisierung von durch Daten induzierten Risiken aus, um einen guten Ausgangspunkt für weitergehende Maßnahmen zu haben [Har10, S.1]. Von einem Risiko ist nach [Har10, S.26] nicht bekannt, ob es eintreten wird und welchen Schaden es in diesem Fall verursachen wird. Es lässt sich aber mit einer Wahrscheinlichkeit beziffern, wobei das Risiko der Eintrittswahrscheinlichkeit multipliziert mit dem Schadensausmaß entspricht. Konkreter wird es bei dem Begriff IT Risiko. Danach versteht man nach [Har10, S.27] die Unfähigkeit, anforderungsgerechte IT Leistungen effektiv und effizient erbringen zu können. Im nächsten Schritt lässt sich auch ein IT Risikomanagement definieren. Nach [Har10, S.27] umfasst dies alle systematischen Maßnahmen zur rechtzeitigen Erkennung, Bewertung und Bewältigung von potentiellen Risiken.. Harrach diskutiert in seiner Arbeit also die Bedeutung und den Ablauf eines Risikomanagements in der IT und zeigt anschließend seine Anwendungsmöglichkeit im Bereich des Datenqualitätsmanagements auf. Dieser Ansatz ist in der Fachliteratur möglicherweise ein einzigartiger oder zumindest seltener und soll hier daher vorgestellt, jedoch nicht in seiner genauen Methodik erläutert werden. 17

18 Ein Kernelement in der Arbeit Harrachs stellt der vorab bereits erwähnte PDCA Zyklus dar [Har10, S.28]. Der PDCA Zyklus, obwohl in den 1950er Jahren vom Amerikaner Deming (daher auch manchmal Deming Zyklus genannt) entwickelt, findet weitläufige Anwendung in der japanischen Kaizen Philosophie, dem kontinuierlichen Verbesserungsprozess [Har10, S.44ff]. Als solcher ist er nicht als geschlossenes System, sondern als offener Prozess zu verstehen, der immer wieder durchlaufen wird [Har10, S.28]. Er bildet die Grundlage für den von Harrach beschriebenen Risikomanagement Prozess, welcher sich analog zum PDCA Zyklus in die Phasen Risikoidentifikation (plan), analyse (do), handhabung (check) und überwachung (act) aufteilt [Har10, S.28ff, S.62ff]. Damit nun jedoch die dem Risikomanagement gelieferten Daten qualitativ hochwertig sind, ist nach [Har10, S.34] die Einführung unternehmensweiter Qualitätsregelkreise notwendig. Dies wird weiterhin dadurch begründet, dass Datenqualität im Wesentlichen von den ihr zugrunde liegenden Prozessen bestimmt und daher auch am besten durch eine Prozessoptimierung verbessert wird [Har10, S.35]. Bevor eine solche Verbesserung der Datenqualitätsprozesse angestrebt werden kann, gilt es zunächst, die Voraussetzungen dafür zu schaffen. Hierfür bedient sich Harrach zunächst einmal sogenannter Reifegradmodelle, welche hier zum Ziel haben, die Qualität der relevanten Prozesse sichtbar zu machen. Da auf dem Markt verschiedene Reifegradmodelle existieren, muss je nach gewünschter Detaillierung und Darstellung ein für das jeweilige Unternehmen passende Modell gewählt werden [Har10, S.35ff]. Eine weitere Grundlage der Arbeit Harrachs ist ein ausgeprägtes Data Ownership Konzept, welches Verantwortlichkeiten für Unternehmensdaten und damit auch deren Qualität definiert. Im Wesentlichen sind dies Datenerfasser, verarbeiter und nutzer [Har10, S.41ff]. Sind diese Voraussetzungen geschaffen, kann auf Basis des PDCA Zyklus nun ein Datenqualitätsregelkreis implementiert bzw. ein existierender effektiv genutzt werden. Die durchlaufenen Phasen sind dabei die Qualitätsplanung (plan), lenkung (do), sicherung (check) und verbesserung (act) [Har10, S.45f., S.59f.]. 18

19 Abb. 9 Regelkreis des Risiko und Qualitätsmanagements [Har10, S.61] Abb. 10 Priorisierung der Risiken [Har10, S.66] 19

20 Abbildung 9 zeigt nun die Anordnung und Wirkungsweise eines Risikomanagement im Verhältnis zu einem Datenqualitätsregelkreis. Abbildung 10 hingegen zeigt ein mögliches Ergebnis des Risiko Assessments, nach welchem eine Priorisierung und damit effiziente Handhabung der identifizierten Risiken möglich ist. Beide Abbildungen verdeutlichen den Grundgedanken der Arbeit Harrachs, über die Einführung und Handhabung des Risikobegriffs, also einer Verminderung von Risiken, eine Steigerung der Datenqualität zu erreichen [Har10, S.68]. Diese Herangehensweise unterscheidet sein Werk grundlegend von den anderen in dieser Projektarbeit vorgestellten Konzepten und stellt einen interessanten Ansatz dar, ohne dabei spezifische Maßnahmen zur Steigerung der Datenqualität betrachten zu müssen. Allerdings ließen sich in dieser kurzen Abhandlung des Konzepts ebenfalls einige Gemeinsamkeiten feststellen, welche in Abschnitt 3.5 aufgegriffen werden. 3.4 A3 Thinking Die dritte und letzte der in dieser Arbeit behandelten Methoden stellt nun A3 dar. Dabei handelt es sich mehr noch als die beiden zuvor behandelten Konzepte um eine Philosophie bzw. eine ganze Reihe von Prozessen und Gedankengerüsten [Sma08, S.8]. Es stellt laut [Sma08, S.2f.] einen der wesentlichen Faktoren für Toyotas Erfolg dar. Anders als das ebenfalls einen Eckpfeiler von Toyota bildende Lean Management verfolgt es dabei nicht die Verschlankung von Prozessen und Qualitätssteigerung durch Vermeidung von Verschwendung, sondern vielmehr das tiefgehende Verständnis von im Unternehmen auftretenden Problemen und entsprechende Korrekturmaßnahmen [Sma08, S.5]. Kern bildet dabei auch hier die wissenschaftliche Arbeitsweise unter Zuhilfenahme des PDCA Zyklus [Sma08, S.4]. Dabei wird A3 als das Fleisch auf dem PDCA Skelett beschrieben [Sma08], was die Bedeutung des PDCA Zyklus verdeutlicht. Namensgebend für das Konzept ist das A3 Papierformat, auf welchem kurze, knappe und übersichtliche Berichte zu behandelten Themen verfasst werden. Dabei ist zu beachten, dass diese Berichte ein Kernelement des Systems A3 ausmachen, aber nicht als das System selbst zu verstehen sind, welches sich wie gesagt durch umfassende Prozesse im Hintergrund auszeichnet [Sma08, S.8]. Da A3 nach [Sma08] als Werkzeug mit breitem Anwendungsgebiet angesehen wird, mit dem sich auch Qualitätsprobleme angehen lassen (siehe folgender Absatz), wird es hier ebenfalls im Kontext der Datenqualitätsthematik behandelt. Um das Ausmaß des in A3 involvierten Denkens begreifen zu können, eignet sich folgende Anekdote hervorragend. In [Sma08, S.6f.] beschreibt einer der Autoren dabei seine Erfahrungen als Trainee in Japan. Er wurde mit der Aufgabe konfrontiert, Qualitätsprobleme an einer Präzisionsschleifmaschine zu lösen. Instinktiv schlug er eine Variierung verschiedener Parameter vor, um das Problem zu lösen. Sein Vorgesetzter hingegen lies ihn die Maschine mit ihren detaillierten Funktion erfassen, dokumentieren und eine Liste mit allen möglichen Defekten erstellen. Auf diese Weise ließ sich eine bestimmte Art von Defekt feststellen, welcher für die Qualitätsprobleme verantwortlich gemacht werden konnte. Im nächstens Schritt ordnete der Vorgesetzte an, sämtliche möglichen Ursachen für den Defekt aufzustellen. Da dies zur eindeutigen Ursachenbestimmung aber noch nicht ausreichend war, sollte der Autor für jede der möglichen Ursachen Korrekturmaßnahmen entwerfen und testen. Nach mehreren Tests konnte er das mit Bakterien verseuchte Kühlmittel als Fehlerquelle feststellen und durch einen Austausch des Kühlmittels Abhilfe schaffen. Er berichtete seinen Vorgesetzten und war überrascht, als diese nicht vollständig zufrieden mit seiner Arbeit 20